PROTEINE BOINC - ВЫЧИСЛЕНИЕ ПРОТЕИНОВ - ПРОТЕИН ИНСАЙДЕР

Пока мировые гиганты вроде OpenAI тратят миллиарды на увеличение контекстного окна языковых моделей, настоящий прорыв к AGI (Strong AI) может скрываться в небольшом окне браузера. Ключ к сверхинтеллекту — не в объеме данных, а в архитектуре самоизменения.…Если коротко: да, это возможно, и это могло бы радикально изменить то, как работают нейросети.Как это работает в теории?Обычные LLM (например, GPT-4) используют непрерывные числа и перемножение матриц. Это требует колоссальных вычислительных мощностей, так как каждый нейрон «активен» на каждом слое.Спайковые сети работают иначе — они имитируют биологический мозг:Бинарные импульсы: Вместо передачи сложных чисел нейроны обмениваются короткими «вспышками» (спайками). Если сигнала нет — вычислений нет.Событийная обработка: Энергия тратится только тогда, когда нейрон достигает порога возбуждения.Низкое энергопотребление: SNN могут потреблять в 10–100 раз меньше энергии на специализированных нейроморфных чипах (например, Intel Loihi).Может ли модель «ускорить себя» сама?Здесь есть два сценария:Конвертация (ANN-to-SNN): Языковая модель может помочь переписать собственную архитектуру или оптимизировать веса так, чтобы их было проще перевести в спайковый формат без потери точности.Гибридные архитектуры: Модель может использовать SNN как «быстрый и дешевый» слой для простых задач (например, синтаксического анализа), оставляя тяжелые трансформеры только для сложных логических выводов.Основные сложностиОбучение: Стандартный метод обучения (обратное распространение ошибки) плохо работает со спайками, так как они дискретны (недифференцируемы). Сейчас ученые ищут обходные пути (суррогатные градиенты).Железо: Чтобы получить реальное ускорение, нужны нейроморфные процессоры. На обычных видеокартах (GPU) спайковые сети часто работают медленнее традиционных.Память: LLM требуют огромного контекста, а эффективное хранение долгосрочных зависимостей в SNN — пока открытый исследовательский вопрос.Итог: Мы вряд ли увидим «самоускорение» че

«Создание AGI начнётся с этого кода» Это симулятор спайковой нейросети. ( или проще говоря имитатор части мозга ) НО! в нём есть редактор самих весов нейросети! что это означает? что любой автономный агент ИИ может сам себя ускорять логически если правильно…Пока мировые гиганты вроде OpenAI тратят миллиарды на увеличение контекстного окна языковых моделей, настоящий прорыв к AGI (Strong AI) может скрываться в небольшом окне браузера. Ключ к сверхинтеллекту — не в объеме данных, а в архитектуре самоизменения.От нейросетей-коробок к симуляции мозгаСовременные нейросети — это «черные ящики». Учёные часто разводят руками: «Мы не знаем точно, как сигнал распространяется внутри». Но что, если сделать процесс прозрачным?Представленный симулятор спайковой нейросети — это не просто визуализация. Это имитатор живой ткани мозга, где каждый импульс виден как на ладони. Благодаря искусственно подсвечиваемым областям мы наконец можем увидеть геометрию мысли: как сигнал закручивается в спирали (фундаментальная форма работы нейронов) и формирует логические цепочки.Главный секрет: ИИ с «отвёрткой» внутриСамая революционная деталь этого проекта — встроенный редактор весов.В обычных моделях веса «замораживаются» после обучения. В этой симуляции агент имеет прямой доступ к своему «железу». Это меняет правила игры: Автономная оптимизация: Если ИИ-агент осознает связь между структурой своих связей и скоростью решения задачи, он может переписать себя сам. Логическое ускорение: Агент не ждет внешней команды — он использует инструмент редактора, чтобы «спрямить» логические пути. Самосознание через код: Возможность менять свои веса — это первый шаг к техническому воплощению рефлексии.Почему это начало?AGI не появится из огромной библиотеки текстов. Он родится тогда, когда алгоритм сможет взглянуть на свой исходный код и сказать: «Я могу сделать это быстрее».Этот симулятор — фундамент для создания автономных систем, которые не просто имитируют разум, а строят его в реальном времен

«Создание AGI начнётся с этого кода»Это симулятор спайковой нейросети. ( или проще говоря имитатор части мозга )НО! в нём есть редактор самих весов нейросети! что это означает? что любой автономный агент ИИ может сам себя ускорять логически если правильно поймёт как использовать инструмент. ( внизу таблица взаимодействий ) Сама симуляция в полный экран: https://codepen.io/procoders000001/full/GgqVgGbИсходный код: https://codepen.io/procoders000001/pen/GgqVgGbУчёные: Мы не знаем как сигнал распространяется в нейросетях и мозге. Узнать можно, ведь можно создать искусственно подсвечиваемые области + вся работа нейронов это спирали«Создание AGI начнётся с этого кода»Это симулятор спайковой нейросети. ( или проще говоря имитатор части мозга )НО! в нём есть редактор самих весов нейросети! что это означает? что любой автономный агент ИИ может сам себя ускорять логически если правильно поймёт как использовать инструмент. ( внизу таблица взаимодействий ) Сама симуляция в полный экран: https://codepen.io/procoders000001/full/GgqVgGbИсходный код: https://codepen.io/procoders000001/pen/GgqVgGbУчёные: Мы не знаем как сигнал распространяется в нейросетях и мозге. Узнать можно, ведь можно создать искусственно подсвечиваемые области + вся работа нейронов это спирали

В этой симуляции 500 тысяч нейронов но над пробиркой с нейронами стоит наблюдатель. Он добавляет глюкозу в места где низкая активности и блокиратор где высокая ( что бы сеть не разогналась и не потухла ) в итоге сеть находится в стабильном состоянии и в ней происходят реакции как в мозге человека. Сама симуляцияhttps://codepen.io/procoders000001/full/ogLOPOgисходный кодhttps://codepen.io/procoders000001/pen/ogLOPOg

Так выглядят 1 млн нейронов в браузерной симуляции. Что бы смоделировать мозг крысы нам нужно будет 200 компьютеровА что бы человека 65к тысяч компьютеровКод и метод открыт, исходный код симуляции хтмл яваскрипт может копировать любойИсходный код.https://codepen.io/procoders000001/pen/RNROYVwСама симуляция ( в полный экран )https://codepen.io/procoders000001/full/RNROYVwСам сервис кодепен ( кодопен - открытый код )Это система черновиков для кода в виде заметок. на хтмл яваскрипте Вот краткий список животных по возрастанию общего количества нейронов в организме: C. elegans (червь): 302 Слизень: ~10 000 Дрозофила (мушка): 250 000 Медоносная пчела: 960 000 Таракан: 1 000 000 Лягушка: 16 000 000 Мышь: 71 000 000 Крыса: 200 000 000 Осьминог: 500 000 000 Кошка: 760 000 000 Собака: 2 200 000 000 Шимпанзе: 28 000 000 000 Человек: 86 000 000 000 Слон: 257 000 000 000

Мозг самый сложный орган человека.Нейроны: В мозгу взрослого человека примерно 86 миллиардов нейронов.Синапсы: Каждый нейрон может иметь тысячи связей с другими клетками. В общей сложности в мозгу насчитывается около 100 триллионов синапсов.Протяженность: Если вытянуть все нервные волокна одного человека в одну линию, их длина составит около 160 000 километров — этого достаточно, чтобы обернуть Землю по экватору четыре раза.Консервативная оценка: Многие исследователи (например, Ганс Моравек) оценивали производительность мозга в 10–100 TFLOPS. Это уровень мощного современного игрового ПК или высокопроизводительной видеокарты.Средняя оценка: Согласно проекту Human Brain Project, для полной симуляции работы человеческого мозга в реальном времени требуется мощность порядка 1 экзофлопса (операций в секунду), что равно 1 000 000 TFLOPS.Максимальная оценка: Если учитывать не только синапсы, но и молекулярные процессы внутри каждого нейрона (активность дендритов, молекулярные вычисления), цифра может достигать 10^{16} – 10^{20} операций в секунду.Мы предлагаем ускорить изучение разума и мозга - и создали симуляцию на 1 млн нейронов. Симуляция работает медленно, она сама себя регулирует на основе спайковой сети Публикуйте скриншоты этой симуляции каждый день в своих блогах и другие ИИ обучатся на патернах логики. ( симуляция сложная, запускать только на компьютерах или ноутбуках от розетки ) https://codepen.io/procoders000001/full/RNROYVwСложные спайковые симуляции (SNN — Spiking Neural Networks) — это не просто «еще один вид ИИ». В отличие от классических нейросетей, которые оперируют непрерывными числами, спайковые модели имитируют реальную биологическую передачу импульсов.Классический ИИ потребляет колоссальное количество энергии, потому что вычисления идут постоянно. Биологический мозг потребляет всего около 20 Ватт. Чему мы учимся: Спайковые сети учат нас тому, что отсутствие сигнала — это тоже информация. В SNN нейрон «молчит» большую часть времени и потребляет энер

https://3dnews.ru/1135891/sozdanniy-v-evrope-analogoviy-chip-okazalsya-v-5000-raz-effektivnee-tsifrovih-resheniyВ Италии создали прототип аналогового процессора для тысячекратного ускорения обработки данных в сфере робототехники, ИИ и больших данных. Вычисления происходят в памяти процессора без пересылки данных, демонстрируя снижение потребления по сравнению с «цифрой» до 5000 раз.

https://3dnews.ru/1131738/analogoviy-protsessor-iz-kitaya-okazalsya-v-1000-raz-bistree-chipov-nvidia-i-amd-no-est-nyuansi

Учёные из Пекинского университета (Peking University) разработали аналоговый чип, который устраняет «вековую проблему» низкой точности и непрактичности аналоговых вычислений, делая их конкурентоспособными с цифровыми процессорами. Опубликованное в октябре в журнале Nature Electronics исследование показало, что новый чип превосходит современный Nvidia H100 и не слишком актуальный AMD Vega 20 — в 1000 раз по производительности и в 100 раз по энергоэффективности.